我們都知道正方形(長方形)的中心是2條對角線的交點，圓的中心是一個圓的圓心，如何在對象檢測以及圖片檢測與識別領(lǐng)域，判斷一個形狀的中心，便是計算機視覺領(lǐng)域中的一個基礎(chǔ)檢測

中心檢測

Opencv+python 實現(xiàn)物體形狀的質(zhì)心檢測

OpenCV(Open Source Computer Vision Library)是一個開源的計算機視覺和機器學(xué)習(xí)軟件庫。OpenCV的建立是為了給計算機視覺應(yīng)用提供一個通用的基礎(chǔ)設(shè)施，并加速機器感知在商業(yè)產(chǎn)品中的應(yīng)用。作為BSD授權(quán)的產(chǎn)品，OpenCV使企業(yè)很容易利用和修改代碼。

它擁有C++、Python、Java和MATLAB接口，支持Windows、Linux、Android和Mac OS。OpenCV主要傾向于實時視覺應(yīng)用，并在可用時利用MMX和SSE指令。目前正在積極開發(fā)全功能的CUDAand OpenCL接口。有超過500種算法和大約10倍的函數(shù)組成或支持這些算法。OpenCV是用C++原生編寫的，有一個模板化的接口，可以與STL容器無縫對接。

Opencv在計算機視覺領(lǐng)域的發(fā)揮了很大的作用，大部分的計算機視覺領(lǐng)域的相關(guān)應(yīng)用都可以使用OpenCV來實現(xiàn)，當然很多神經(jīng)網(wǎng)絡(luò)訓(xùn)練的模型庫，OpenCV也可以進行模型的調(diào)用，很大程度上方便了用戶的使用

中心檢測

import cv2import numpy as npimg = cv2.imread('13.jpg')gray_image = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)ret,thresh = cv2.threshold(gray_image,127,255,0)M = cv2.moments(thresh)cX = int(M["m10"] / M["m00"])cY = int(M["m01"] / M["m00"])cv2.circle(img, (cX, cY), 5, (255, 255, 255), -1)cv2.putText(img, "centroid", (cX - 25, cY - 25),cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2)cv2.imshow("Image", img)cv2.waitKey(0)

代碼截圖

首先讀入一張我們需要尋找質(zhì)心的圖片，并轉(zhuǎn)換到灰度空間，然后使用OpenCV二值化函數(shù)進行處理

opencv二值化的cv2.threshold簡單閾值函數(shù)

簡單閾值當然是最簡單，選取一個全局閾值，然后就把整幅圖像分成了非黑即白的二值圖像了。

函數(shù)為cv2.threshold()：

這個函數(shù)有四個參數(shù)：第一個原圖像第二個進行分類的閾值第三個是高于(低于)閾值時賦予的新值第四個是一個方法選擇參數(shù)，常用的有：? cv2.THRESH_BINARY(黑白二值)? cv2.THRESH_BINARY_INV(黑白二值反轉(zhuǎn))? cv2.THRESH_TRUNC (得到的圖像為多像素值)? cv2.THRESH_TOZERO? cv2.THRESH_TOZERO_INV該函數(shù)有兩個返回值，第一個retVal(得到的閾值值)第二個就是閾值化后的圖像。

當然OpenCV除了簡單的二值化函數(shù)外，還提供了自適應(yīng)閾值函數(shù)

自適應(yīng)閾值可以看成一種局部性的閾值，通過規(guī)定一個區(qū)域大小，比較這個點與區(qū)域大小里面像素點的平均值(或者其他特征)的大小關(guān)系確定這個像素點是屬于黑或者白(如果是二值情況)。使用的函數(shù)為：cv2.adaptiveThreshold()該函數(shù)需要填6個參數(shù)：

· 第一個原始圖像· 第二個像素值上限· 第三個自適應(yīng)方法Adaptive Method:— cv2.ADAPTIVE_THRESH_MEAN_C ：領(lǐng)域內(nèi)均值—cv2.ADAPTIVE_THRESH_GAUSSIAN_C ：領(lǐng)域內(nèi)像素點加權(quán)和，權(quán) 重為一個高斯窗口· 第四個值的賦值方法：只有cv2.THRESH_BINARY 和cv2.THRESH_BINARY_INV· 第五個Block size:規(guī)定領(lǐng)域大小(一個正方形的領(lǐng)域)· 第六個常數(shù)C，閾值等于均值或者加權(quán)值減去這個常數(shù)(為0相當于閾值 就是求得領(lǐng)域內(nèi)均值或者加權(quán)值)這種方法理論上得到的效果更好，相當于在動態(tài)自適應(yīng)的調(diào)整屬于自己像素點的閾值，而不是整幅圖像都用一個閾值。

使用中心距函數(shù)進行圖片的中心檢測

opencv中提供了moments()來計算圖像中的中心矩(最高到三階)，HuMoments()用于由中心矩計算Hu矩.同時配合函數(shù)contourArea函數(shù)計算輪廓面積和arcLength來計算輪廓或曲線長度moments()cv::moments ( InputArray array,bool binaryImage = false)array:輸入數(shù)組，可以是光柵圖像(單通道，8-bit或浮點型二維數(shù)組), 或者是一個二維數(shù)組(1 X N或N X 1),二維數(shù)組類型為Point或Point2fbinaryImage:默認值是false，如果為true，則所有非零的像素都會按值1對待，也就是說相當于對圖像進行了二值化處理，閾值為1，此參數(shù)僅對圖像有效。

通過以上步驟，便可以成功檢測到圖片的中心了

Opencv+python 實現(xiàn)多物體形狀的質(zhì)心檢測

絕大多數(shù)的時候，我們的圖片中包含了不僅一種形狀的物品，如何同時檢測多個物品的中心？

多形狀質(zhì)心檢測

import cv2import numpy as npimg = cv2.imread('11.png')gray_image = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)ret,thresh = cv2.threshold(gray_image,127,255,0)contours, hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)for c in contours:M = cv2.moments(c)cX = int(M["m10"] / M["m00"])cY = int(M["m01"] / M["m00"])cv2.circle(img, (cX, cY), 5, (255, 255, 255), -1)cv2.putText(img, "centroid", (cX - 25, cY - 25),cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2)cv2.imshow("Image", img)cv2.waitKey(0)

代碼截圖

跟單一圖形檢測中心對比，多圖形檢測中心增加了cv2.findContours函數(shù)

cv2.findContours()函數(shù)

cv2.findContours(image,?mode,?method[,?contours[,?hierarchy[,?offset?]]])??

opencv2返回兩個值：contours：hierarchy。

opencv3會返回三個值,分別是img, countours, hierarchy

參數(shù)：

第一個參數(shù)是尋找輪廓的圖像；

第二個參數(shù)表示輪廓的檢索模式，有四種(本文介紹的都是新的cv2接口)： cv2.RETR_EXTERNAL表示只檢測外輪廓 cv2.RETR_LIST檢測的輪廓不建立等級關(guān)系 cv2.RETR_CCOMP建立兩個等級的輪廓，上面的一層為外邊界，里面的一層為內(nèi)孔的邊界信息。如果內(nèi)孔內(nèi)還有一個連通物體，這個物體的邊界也在頂層。 cv2.RETR_TREE建立一個等級樹結(jié)構(gòu)的輪廓。

第三個參數(shù)method為輪廓的近似辦法 cv2.CHAIN_APPROX_NONE存儲所有的輪廓點，相鄰的兩個點的像素位置差不超過1，即max(abs(x1-x2)，abs(y2-y1))==1 cv2.CHAIN_APPROX_SIMPLE壓縮水平方向，垂直方向，對角線方向的元素，只保留該方向的終點坐標，例如一個矩形輪廓只需4個點來保存輪廓信息 cv2.CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似

返回值

cv2.findContours()函數(shù)返回兩個值，一個是輪廓本身，還有一個是每條輪廓對應(yīng)的屬性。

contour返回值

cv2.findContours()函數(shù)首先返回一個list，list中每個元素都是圖像中的一個輪廓，用numpy中的ndarray表示。

通過cv2.findContours函數(shù)便可以成功找到圖形的外輪廓，如下圖

多形狀輪廓檢測

外輪廓檢測完成后，可以使用cv2.drawContours函數(shù)對圖片的輪廓進行標注出來

cv2.drawContours(img,contours,-1,(0,0,255),3)

cv2.drawContours()函數(shù)

1. cv2.drawContours(image,?contours,?contourIdx,?color [,?thickness[,?lineType[,?hierarchy[,?maxLevel[,?offset?]]]]])??· 第一個參數(shù)是指明在哪幅圖像上繪制輪廓；· 第二個參數(shù)是輪廓本身，在Python中是一個list。· 第三個參數(shù)指定繪制輪廓list中的哪條輪廓，如果是-1，則繪制其中的所有輪廓。后面的參數(shù)很簡單。其中thickness表明輪廓線的寬度，如果是-1(cv2.FILLED)，則為填充模式當檢測到多個輪廓后，便可以遍歷多個輪廓，對每個圖形進行質(zhì)心的檢測

通過以上的步驟，便可以檢測到形狀的外輪廓，并找到圖片的中心，這些技術(shù)在工業(yè)視覺領(lǐng)域應(yīng)用比較多，我們專欄中《打造屬于自己的天眼目標檢測追蹤系統(tǒng)》中也用類似的介紹，哪里我們介紹了人臉的質(zhì)心檢測與 人臉質(zhì)心的目標追蹤

與50位技術(shù)專家面對面20年技術(shù)見證，附贈技術(shù)全景圖

總結(jié)

以上是生活随笔為你收集整理的image vb6 图片自适应_Python人工智能使用OpenCV进行图片形状的中心检测的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。